关于卫星无人机遥感影像数据处理流程，在上期的内容中，我们按照目标，将其分为数据获取、预处理、图像增强、信息提取、后处理、分析与应用 六大模块，并重点介绍了从卫星无人机遥感数据获取原始数据，到初级标准数据产品的过程，即数据获取和预处理两大步骤。详情可见 卫星无人机遥感影像数据处理流程及自动化方案（上）_无人机遥感影像实时处理系统架构-CSDN博客

如果说遥感数据处理是“原材料”到精准信息的过程，那么，可以将上期内容视为一个从“原材料”到“基础产品”的过程，同时也是为后续进一步提炼“精准信息”铺垫的必经之路。那么，本期我们将目光移到后续过程，即图像增强、信息提取、后处理，到最终的分析应用，看遥感大数据如何经历更加智能的处理过程，提炼出“精华”信息，在多行业的高质量发展、安全生产、应急决策中发挥重要作用和意义。

3. 图像增强

核心目标：改善视觉效果或突出特定信息

在以上过程中，我们将原始数据生产加工到了初级数据产品，但由于后续应用和业务目标不同，为使遥感图像所包含的地物信息可读性更强，感兴趣的目标更突出、容易理解和判读，就需要对整体图像或特定地物信息进行增强处理。该环节主要处理手段为拉伸处理，处理后的影像可直接用于植被指数计算、地物分类、地形提取（如 DEM）等分析。

拉伸处理

数简平台支持实时在线动态拉伸处理

通过调整影像的像素值范围来增强影像的亮度和对比度，这种处理可以使得原本在原始影像中不明显的细节或特征变得更加清晰可见，从而改善图像质量并帮助更准确地进行地理空间分析和解译。卫星无人机遥感影像拉伸需要根据具体的应用需求和数据特点来选择合适的拉伸方式和参数，以确保拉伸后的图像能够准确地反映地物信息和提高可视化效果。同时，影像拉伸处理可与波段映射功能结合使用，以达成更为明显的视觉对比效果，或对特定地物的信息突出与提取。

常用的拉伸方式有线性拉伸、标准差拉伸、直方图变换、色彩合成等。数简平台支持【线性拉伸】、【标准差拉伸】、【直方图均衡化】以及【伽马拉伸】四种影像拉伸方式，并可进行实时在线的动态处理与全分辨率即时浏览，即“动态拉伸”。

· 线性拉伸：线性拉伸是一种基础的图像处理技术，主要通过重新分配像素值范围来改善图像的对比度，使得图像的最小和最大像素值分别映射到0和255（在8位图像中），可用于增强图像的视觉效果，其适用场景较为广泛，特别是当图像的对比度较低、且整体对比度已相对均匀时，能够让遥感影像从 “灰蒙蒙” 变得 “清清爽爽”，就像我们在该部分展示的首图一样（可见上图）。

· 标准差拉伸：利用图像的像素值的标准差来调整图像的对比度，使得像素值的分布更加均匀，具体为通过修剪影像极值，然后对其他像素值进行线性拉伸来使影像的对比度增加。相对于线性拉伸，标准差拉伸属于“更聪明地调整亮度”，这种拉伸方式可使得色调较暗的栅格数据集变亮，从而改善图像的显示效果和显示质量，提高影像的清晰度，让地物更易于辨识。

数简平台对GB级影像的实时动态标准差拉伸（由直方图均衡化切换为标准差拉伸，波段为[4,3,1]），并支持用户自由设置最大到5%的拉伸百分比，同样对输出成果可进行即时在线全分辨率浏览

· 彩色合成：通过将多个波段的灰度信息按特定规则分配到红（R）、绿（G）、蓝（B）三个基色通道，生成彩色遥感影像的技术手段。其核心目的是利用人眼对色彩的敏感特性，将多波段遥感数据中蕴含的地物光谱信息转化为直观的彩色视觉效果，从而更高效地识别和区分不同地物类型，常见类型有真彩色合成图像与假彩色合成图像。

• 真彩色合成：将红光波段映射到 R 通道，绿光波段映射到 G 通道，蓝光波段映射到 B 通道，结果接近人眼观察到的自然色彩，便于直观识别地物（如植被呈绿色，水体呈蓝色）。

• 标准假彩色合成：将近红外波段映射到 R 通道，红光波段映射到 G 通道，绿光波段映射到 B 通道，此时植被因近红外反射率高而呈红色，能更清晰地区分植被与其他地物（如裸地、建筑）。

数简平台支持多光谱波段动态组合，分别为波段[3,2,1]、[3,2,4]、[4,2,1]

· 直方图变换：通过调整遥感影像的灰度值（或光谱值）分布，改变影像的对比度、亮度或动态范围，以增强地物特征的可辨识度或满足后续分析需求的技术方法。其核心是基于影像的灰度直方图（描述不同灰度值在影像中出现的频率分布），对像素的灰度值进行数学映射，从而改变直方图的形状（如拉伸、压缩、平移等），相当于通过 “重新分配像素的亮度”，让影像的明暗分布更合理。

• 直方图均衡化  将随机分布的直方图修改成均匀分布的直方图，实质是对图像做非线性拉伸，重新分配像元值，使一定灰度范围内的像元数量大致相等。在机器学习和计算机视觉中，作为图像预处理步骤，直方图均衡化可以提高图像特征的可识别性，从而改善机器学习模型的性能。

• 直方图正态化  将随机分布的原图像直方图修改成正态（或近似）正态分布直方图

• 密度分割  将灰度图像按像元灰度值分级赋值形成伪彩色图像，达到图像增强的目的

数简平台对GB级影像的实时动态直方图均衡化拉伸（由2%线性拉伸→直方图均衡化拉伸,波段为[4,3,1]），并对输出结果实时全分辨率在线浏览

· 伽马拉伸：对输入图像灰度值进行的非线性操作，使输出图像灰度值与输入图像灰度值呈指数关系，让图像的整体亮度值得到提升，同时低灰度处的对比度得到增加，更利于分辨低灰度值时的图像细节。

小于1的伽马值将降低较暗区域的对比度并增加较亮区域的对比度。这将使影像变暗，但不会降低影像的黑暗或明亮区域的饱和度。这有助于呈现较亮要素的细节，如建筑物顶部；相反，大于1的伽马值将增加较暗区域的对比度，如建筑物阴影；使用高程数据时，大于1的伽马值也将有助于呈现较低高程区域的细节。

数简平台支持对GB级影像的实时动态伽马拉伸处理（标准差拉伸→伽马拉伸,波段为[4,3,1]），并支持自定义拉伸因子，对输出结果实时全分辨率在线浏览

在空间探索方面，伽马拉伸对于月球数据这样的灰度影像能够更好地分辨地物轮廓并提取信息。数简伽马拉伸处理，已从单一数值表示的拉伸方式，扩展为拉伸+拉伸因子模式，以更好地呈现地表要素细节及月球表面细节与信息。

通过数简影像基础平台拉伸处理的月球影像（右侧），可见灰度影像中增加呈现了更丰富的细节和信息

若想完整详细的拉伸介绍，可延伸阅读：数简时空数字基础平台的四种卫星无人机影像拉伸动态处理模式_拉伸无人机-CSDN博客

4. 信息提取

核心目标：将像素转化为地物类别或物理参数

信息提取是指从经过预处理或后处理的遥感数据中，自动或半自动地识别、量化和抽象出具有特定物理意义或应用价值的专题信息的过程。其核心是将像素或波谱响应转化为人类可理解的地表要素及其属性。

通过信息提取的处理，遥感产品可达4-6级，信息提取在整体流程中占据非常重要的位置，它让遥感影像从直观图形转变为量化数据，可精确指导和支持业务决策，如环境监测中的污染面积和程度，耕地变化趋势和灾害中的具体受灾面积。其手段包括——

目视解译

专业人员根据遥感影像的色调、纹理、形状、大小、空间分布等特征，结合地学知识和经验，直接识别地物类型或提取专题信息。灵活性高，适用于复杂场景或精细信息提取，但效率低、主观性强，依赖解译人员的经验。

图像分类

WorldView-2 卫星图像与激光雷达的遥感分类形成土地覆盖图 来源: Wu et al.,

基于遥感影像中地物的光谱特征、空间特征（如纹理、形状、空间分布）或时间特征（如多时相变化），将影像中的像素或区域划分为预定义的地物类别的过程。其核心目标是通过计算机自动或半自动地识别影像中不同的地物类型（如植被、水体、建筑物、裸地等），将无序的遥感数据转化为有序的地物类别信息，可用于生成土地利用/土地覆盖（LULC）图等，为土地利用调查、资源监测、环境评估等应用提供基础数据。根据是否基于训练样本，分类手段可分为监督分类与非监督分类。

· 监督分类 （Supervised Classification） ：一种基于已知类别样本（“训练样本”，）来训练分类模型，再利用该模型对未知区域进行类别划分的方法。其核心特点是 “先有已知类别，再学习分类规则”。

· 非监督分类（Unsupervised Classification）：一种无需预先提供已知类别样本，仅依据影像中像素的特征（如光谱值、纹理等）的相似性或统计分布规律，自动将像素划分为若干同质类别（“集群”）的方法。其核心特点是 “先聚类，后赋予类别意义”。

机器学习类别与算法 | 网络

目标检测

对操场、车辆、油罐等各类地物的目标识别 图源：网络

针对遥感影像（如卫星影像、航空影像、无人机影像等），通过技术手段自动识别并定位出用户感兴趣的特定地物目标（如建筑、车辆、桥梁、农田、灾害区域等），同时输出目标的类别标签和空间位置信息（通常以边界框或多边形坐标表示）的技术过程。

也许你会觉得这与视觉智能对于日常自然图像（如手机照片、车载摄像头等）的目标检测差不多，但遥感目标检测与其有着显著区别，其特殊性源于遥感影像的独特属性：

• 影像视角与尺度：遥感影像多为俯视或大角度斜视视角，目标形态（如车辆、房屋）与地面视角差异极大；且同一幅影像中目标尺度跨度极大（如从几十像素的小型车辆到上千像素的大型机场）。

• 地物复杂性：地物类型密集且混合（如植被覆盖房屋、道路与河流交错），目标易受阴影、云层、地形起伏等干扰，背景噪声更高。

• 光谱信息利用：遥感影像通常包含多光谱、高光谱等丰富光谱波段，目标检测不仅依赖形态、纹理特征，还可结合地物的光谱反射特性（如植被在近红外波段的高反射率）提升精度。

变化检测

数简在油气长输管道项目中实现的变化检测，支持快速识别管道周边环境安全隐患

利用多时相遥感影像（不同时间获取的同一区域影像），通过定量分析地物光谱、空间或物理特征的变化，识别并提取地表覆盖或土地利用的变化信息（如新增建筑、森林砍伐、水体扩张等）的技术过程。数简支持遥感影像的基于机器学习与深度学习的变化检测。

定量参数反演

数简平台支持遥感影像实时在线定量反演计算并输出成果，图为水质监测的叶绿素a浓度反演

通过对遥感传感器获取的地物电磁波信号（如光谱、辐射、散射等数据）进行分析和计算，反推得到地表目标物的物理、化学或生物等定量参数的过程，常用场景包括环境监测、农业估产、灾害评估等。

数简支持以原始数据为输入集成数据预处理和定量参数反演的全流程“无人化”智能处理功能，以及遥感反射率数据为输入的定量参数反演智能化处理功能。以遥感水质监测为例，数简平台支持针对Sentinel、高分1号等卫星数据提供水质参数的实时自动化、智能化在线处理与反演计算。

5. 后处理

核心目标：优化提取结果的空间一致性与精度

在完成核心信息提取（如分类、目标检测、参数反演）后，对初级结果进行优化的处理环节，可提升结果的精度、空间一致性和实用性，使数据更符合实际应用需求，主要可通过清理噪声、优化形态、验证可信度、适配输出，将学术算法输出转化为工程级可用的地理信息产品。主要包括，

聚类处理

土地利用分类中的滤波处理 图源: https://geographicalanalysis.com

专门用于优化分类结果（如上述遥感图像分类得到的土地覆盖分类图）一种处理方式。其核心目标是消除分类图中的孤立像元（“椒盐噪声”），提升图斑的空间连续性与合理性，使分类结果更符合实际地物分布规律。主要步骤为识别孤立像元、邻域分析和重新归类，常用方法有形态学滤波、连通域分析、众数滤波等。

简单地说，聚类处理就像在拼图中将错位的拼图碎片摆放到正确的位置，让画面更加整齐干净、具有逻辑性。

如其中的众数滤波，便是通过选取像素邻域内出现频率最高的特征值（如灰度值、地物类别编码），替代该像素的原始值，以消除孤立噪声、平滑影像细节，增强地物分布的空间连续性。

矢量转换

数简矢量在线编辑工具

在遥感数据处理中，指将栅格分类结果（像素组成的图像）转化为矢量多边形（点、线、面） 的过程。其核心目的是生成结构化、可编辑的地理要素，使分类结果适配GIS分析、制图与空间统计需求。数简矢量在线编辑工具不仅支持对栅格图像的魔棒一键提取矢量边缘、目标与变化检测输出的图斑进行矢量转换，并支持多用户实时在线对其进行协同编辑。

精度验证

指系统性评价信息提取结果（如分类图、反演参数）与真实地表状况的吻合程度，利用独立样本评估分类精度，其核心目标是检验量化结果的可靠性，是遥感产品能否投入科学或工程应用的关键质检环节。

6. 分析应用

核心目标：优化提取结果的空间一致性与精度

终于来到了遥感数据处理的终点，也可以说与终端用户直接交互的环节，但是，遥感数据的分析与应用并非作为孤立步骤而存在，而是从 “原始信息” 转化为 “实际决策依据” 的核心阶段。

对遥感数据的分析应用是在遥感数据预处理（如辐射校正、几何校正）和信息提取（如分类、特征提取）基础上，通过对处理后的数据进行解读、建模、验证和应用，最终服务于具体行业或科学研究的过程。如智慧水利中，遥感数据经过分析解译，形成专题产品，最终被“四预”应用调用，支持防洪调度决策。

典型应用如下：

资源调查与管理：如矿产资源分布、森林蓄积量估算、水资源分布监测，为资源开发规划提供依据；

环境监测与保护：如水环境调查与监测、湿地生态系统健康评估、土壤侵蚀程度分级，支撑生态环境保护决策；

农业与粮食安全：如作物种植面积统计、病虫害早期预警、产量预估，服务农业生产管理与粮食安全保障；

灾害监测与应急：如地震后房屋损毁评估、洪水淹没范围实时划定、森林火灾蔓延路径预测，辅助灾害救援与损失评估；

城市规划与管理：如城市建成区扩张监测、容积率估算、绿地分布优化，为城市空间规划提供数据支持。

如想了解遥感数据从获取、处理到分析，并形成业务应用的实际案例，可参见 半个月一次的水环境监测是如何做到的？

高级遥感产品个性化自动生产线方案

上期，我们介绍了卫星无人机数据从获取到预处理完成的主要流程，以及数简自动化处理方案。对于初级标准数据产品，可以采用全自动化处理模式，但对于遥感共性产品、高级解译信息类产品以及专题服务，则需要更为灵活的过程、对接不同的算法与业务模型、快速输出成果并可在线浏览共享分发。

那么，这部分又如何形成“无人值守”的自动化流程呢？

首先，数简对遥感数据的实时在线动态处理，可以帮助用户实现以免切片处理与分析计算为基础的算法对接，如我们上期提到的动态RPC校正、动态投影，本期提到的动态拉伸、多光谱波段动态组合；除此之外，数简平台也支持对遥感数据的实时在线计算、渲染输出成果实时在线全分辨率浏览，如NDVI计算，水质反演（如浊度、透明度等）。这样，对于大多数遥感数据的算法模型，数简可实现无缝对接，实时在线输出计算成果。

数简平台实时在线渲染高程图

在此基础上，数简研发了专门针对遥感数据智能分析的遥感智算框架，其与数简时空基础平台的其它组件结合，为专业算法提供算法模组部署和管理、集群任务和资源调度、输入输出数据管理和发布的能力。

更为重要的是，平台内置有丰富的专业通用算法，包括：无人机数据处理、数据前处理、图像滤波、栅格分割分类、AI类结果应用、遥感通用处理等算法，囊括了部分以上我们提到的算法，也能快速集成用户自身算法。平台内嵌算法皆可开箱即用，实时输出成果，这就保证了遥感数据到信息提取的效率。

同时，数简流程编排工具平台，支持用户按照业务目标，通过拖拽模式快速选择算法或模型，并制定工作流程。对于更为高级的遥感共性产品、目标产品，以及专题产品，可以通过数简时空数字基础平台、遥感智算框架与流程编排平台的组合使用。

数简流程编排平台支持将基础功能、处理算法转化为任务进行可视化快速调度，并可监测其流程进度

那么，至此，我们就形成了整套对于遥感数据从原始数据到标准化产品，并到高级的个性化产品的整体自动化、半自动化流程的方案，看到下面这张图，也许你会觉得，与一个智能工厂的流水线过程有点类似。实际上，这确实是数简各个数据基础模块组成的时空数据的从汇聚到应用的全生命周期支撑的智能“流水线”，通过自动化技术与底层系统的优化，这个流水线兼具面对大数据的海量数据时的「高速性能」，和面向时空数据的接入、处理、管理、分析、应用等「专业功能」。